MMOct, 2014

时变图数据的多层异常检测

PDF
TL;DR本文提出了一种新的图序列建模和分析框架，用于检测和上下文化标记、流图数据中的异常。该框架通过增加对社区结构的灵活性来推广 Seshadhri 等人的 BTER 模型，并利用该模型进行多尺度图形异常检测。具体来说，通过在更细的级别上聚合概率来构建描述粗略子图的概率模型，并使用这些紧密相关的分层模型同时检测与期望偏差。本文的方法在标记设置中的社区结构、合成数据集和现实世界数据集上，从节点、子图和图形水平准确地检测异常。
发现论文，激发创造
  • 基于图神经网络的多元时间序列异常检测

    提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法，通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析，在真实世界传感器数据集实验中，该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。

    Jun, 2021

  • 基于图注意力网络的多变量时间序列异常检测

    本文提出了一个新的自监督多元时间序列异常检测框架，使用图注意力层显式地捕获时间序列之间的关系，并结合预测 和重构的方法来获得更好的时间序列表示，实验结果表明该方法在真实数据集上表现优异且具有良好的可解释性。

    Sep, 2020

  • 基于动态图预测的多元时间序列异常检测

    本研究提出了一种基于动态跨序列图的多元时间序列异常检测框架 DyGraphAD，通过利用图的演化特性辅助图和时间序列预测任务，从而根据跨序列关系和时间模式的偏离来检测异常状态，并在实际数据集上验证了其胜过基线异常检测方法的性能。

    Feb, 2023

  • 基于学习的连续时间动态图中的链接异常检测

    连续时间动态图中的异常检测是一个新兴领域，本文通过结构化分析以及图表示学习，对这些图中的异常连接进行识别。通过引入精细分类法并将类型化的异常注入图中，我们的方法可以在时间、结构和上下文三个方面产生具有一致模式的连续时间动态图，从而使得时间图方法能够学习到链接异常检测任务。在合成和真实数据集上进行的综合实验通过验证我们的异常和正常图形的分类法、生成过程以及对链接预测方法的异常检测适应方法。我们的研究结果进一步揭示了不同学习方法在捕捉图形正常性的不同方面和检测不同类型异常方面的优势，为未来的研究提供了机遇。

    May, 2024

  • 基于 Transformer 学习图形结构进行 IoT 多元时间序列异常检测

    该研究提出了 GTA，一种新的多元时间序列异常检测框架，具有自动学习图结构、图卷积和使用基于 Transformer 的架构建模时间依赖性等特点。通过在四个公开可用的异常检测基准上进行的广泛实验，证明了该方法优于替代的最新技术水平。

    Apr, 2021

  • 社交网络的贝叶斯异常检测方法

    本文提出了一种用于动态图中异常检测的两阶段方法：第一阶段使用简单的共轭贝叶斯模型对离散时间计数过程来跟踪图中所有节点成对的链接，以评估其正常行为；第二阶段则通过对潜在异常节点进行标准网络推断工具的广泛减少，从而使方法的效用在模拟和真实数据集上得到了证明。

    Nov, 2010

  • SAD：动态图形半监督异常检测

    本文提出了一种半监督异常检测（SAD）的框架来处理动态图数据，并将时间内存库和伪标签对比学习模块相结合，充分利用未标记样本，可以有效地发现和检测动态图数据中的异常，即使只有少量标记数据也能优于现有先进方法

    May, 2023

  • 基于图形的异常检测和描述：一项调查

    本文综述了最新的用于检测以图形表示的数据中异常值的方法和算法，包括在不同场景下的无监督和（半）监督方法，以及针对属性和普通图的静态和动态图。作者强调了异常归因的重要性，并介绍了根据检测到的异常挖掘其根本原因的技术。除此之外，作者还列举了金融、拍卖、计算机流量和社交网络等领域中基于图形的异常检测的若干真实应用，并讨论了该领域的理论和实践挑战。

    Apr, 2014

  • 深度图形流 SVDD: 公共物理系统中的异常检测

    本篇研究提出了一种基于深度图流支持向量数据描述的方法，针对现有工作中长时间延迟模式捕获不足、传感器连接动态变化被忽视以及高维数据样本困扰，采用变分图自编码器模型并建立加权属性图以及超球面，其在各项实验中表现优异，将 F1-score 提升 35.87%、AUC 提升 19.32% 且训练和推断速度比最佳基线快 32 倍。

    Feb, 2023

  • 多变量时间序列异常检测的熵因果图

    本文提出了一种名为 CGAD 的新框架，用于多变量时间序列异常检测，利用传递熵构建反映时间序列数据中潜在因果关系的图结构。通过加权图卷积网络和因果卷积模型多变量时间序列数据中的因果图结构和时间模式。此外，CGAD 还应用异常得分和基于中值绝对偏差的归一化方法提高异常检测的鲁棒性，实验证明，CGAD 在真实数据集上的表现优于最先进的方法，根据三种不同的多变量时间序列异常检测指标平均提高了 15%。

    Dec, 2023